The following single character keyboard shortcuts enable alternate display modes:

• 'f' enable fullscreen mode
• 'w' toggle widescreen mode
• 'o' enable overview mode

Download the slides

Here (Right Click > Save As…)

• 對於（資料）視覺化想得太簡單或太難
• 覺得視覺化需要天生的設計美感？
• 好的視覺化是不是主觀的？
• 想實做自己的視覺化流程，但不知道如何開展，老是做到一半放棄
• 用 Excel 辛苦做出的圖表，卻無法在下次重複使用
• 導入視覺化工具，卻變成「純試試」，一點都不實用，造成導入的軟體無法發揮其效用

• 發現故事
• 說服
• 展示資料
• 展示資料背後的故事
• 做決策

John Snow 繪製了英國倫敦蘇活區的霍亂地圖，比對發現某一水井和感染者的居住地點相近，終於將汙染源鎖定在該水井，一周之後，市政府就封了這口水井，後來也證明霍亂是由汙水傳染而非一般認定的空氣傳染。

• 報告給老闆、同事……
• 讓相關的人做決策

"The simple graph has brought more information to the data analyst's mind than any other device." – John Tukey

經典資料集：Anscombe's Quartet

• 4 x-y datasets
• 相同的平均數和變異數 ── 從數字上完全看不出差異
• 用甚麼方式可以看到差異？

#>    vars  n mean   sd median trimmed  mad  min   max range  skew kurtosis
#> x1    1 11  9.0 3.32   9.00    9.00 4.45 4.00 14.00 10.00  0.00    -1.53
#> x2    2 11  9.0 3.32   9.00    9.00 4.45 4.00 14.00 10.00  0.00    -1.53
#> x3    3 11  9.0 3.32   9.00    9.00 4.45 4.00 14.00 10.00  0.00    -1.53
#> x4    4 11  9.0 3.32   8.00    8.00 0.00 8.00 19.00 11.00  2.47     4.52
#> y1    5 11  7.5 2.03   7.58    7.49 1.82 4.26 10.84  6.58 -0.05    -1.20
#> y2    6 11  7.5 2.03   8.14    7.79 1.47 3.10  9.26  6.16 -0.98    -0.51
#> y3    7 11  7.5 2.03   7.11    7.15 1.53 5.39 12.74  7.35  1.38     1.24
#> y4    8 11  7.5 2.03   7.04    7.20 1.90 5.25 12.50  7.25  1.12     0.63
#>      se
#> x1 1.00
#> x2 1.00
#> x3 1.00
#> x4 1.00
#> y1 0.61
#> y2 0.61
#> y3 0.61
#> y4 0.61

• 圖表可看到原本看不到的東西

是因為我們想要學會光譜的每一段，但事實上只要根據目的去學

• Box Plot

• Dashboard

1. 這張圖多重要？
2. 可以花多少時間？值得花這麼多時間嗎？
3. 有必要這要畫嗎？
4. 這樣畫想要呈現什麼？

• 評斷的標準是什麼？
• 根據不同的理論可以擷取出上百種原則
• 所以我們要掌握一些心法，讓我們選擇圖表時更簡單、專注

• ggplot2 是一個很強大的資料探索及視覺化工具， 是許多最有影響力的 R 套件開發者 Hadley Wickham 所開發
• 所有繪圖函數都有背後的視覺化邏輯（Grammar of Graphics）

Grammar of Graphics 的作用就是幫助我們將圖表拆解成個別的元素， 然後將這些元素按照邏輯個別操作，正確又簡單地達到圖表的目的

mpg dataset:
Fuel economy data from 1999 and 2008 for 38 popular models of car.

• 大引擎的車子更耗油嗎？如果是的話，那有多耗油？
• 引擎大小和油耗效率之間的關係為何？正/負相關？線性/非線性？相關程度？

先看兩個變數：

1. displ - 引擎排氣公升
2. hwy - (油耗效率，哩/加侖)

library(ggplot2)
ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = hwy))

從圖表可歸納幾個結論：

1. 兩變數為高度負相關 ── 大引擎 => 低效率
2. 有些車是離群值

看看不同變數之間的相關

• 畫出 scatterplot: hwy vs cyl
• 畫出 scatterplot: class vs drv

## hwy vs cyl
ggplot(data = mpg) +
  geom_point(mapping = aes(x = hwy, y = cyl))

## class vs drv
ggplot(data = mpg) +
  geom_point(mapping = aes(x = class, y = drv))

• 在 Grammar of Graphics 裡面最重要的概念就是 "Aesthetic Mapping"
• 在畫圖前我們先來練習用眼睛👀看 aethetics

• 有哪些變數 variables
• 分別對應到哪個 aethetic

• x = displ
• y = hwy
• color = class

在 x-y 二維的 Scatterplot 加入第三個 aesthetic

• 把 class 對應到點的顏色
• hint: ?geom_point: 查詢支援的 aesthetics

• x = displ
• y = hwy
• color = class

ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = hwy, color = class))

• x = displ
• y = hwy
• alpha (透明度) = class

試試在 x-y 二維的 Scatterplot 加入第三個 aesthetic

• 把 class 對應到點的alpha (透明度)
• hint: ?geom_point: 查詢支援的 aesthetics

ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = hwy, alpha = class))

• x = displ
• y = hwy
• shape = class

試試在 x-y 二維的 Scatterplot 加入第三個 aesthetic

• 把 class 對應到點的形狀

ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = hwy, shape = class))

#> Warning: The shape palette can deal with a maximum of 6 discrete values
#> because more than 6 becomes difficult to discriminate; you have 7.
#> Consider specifying shapes manually if you must have them.

#> Warning: Removed 62 rows containing missing values (geom_point).

#> Warning: The shape palette can deal with a maximum of 6 discrete values
#> because more than 6 becomes difficult to discriminate; you have 7.
#> Consider specifying shapes manually if you must have them.

ggplot(data = <DATA>) + # Data
  geom_<xxx>(
     mapping = aes(<MAPPINGS>), ##  <= Aesthetic mappings
     stat = <STAT>,
     position = <POSITION>
  ) +
  scale_<xxx>() + coord_<xxx>() + facet_<xxx>()
  theme_()

• aes() 可以放在：
  • ggplot()裡面 – 有"記憶效果"(成為所有圖層預設)
  • 外面 + aes() – 有"記憶效果"(成為所有圖層預設)
  • geom_<xxx>()裡面 – 無"記憶效果"(只對該 geom 有效)
• geom_<xxx>(inherit.aes=FALSE): overrides the default aesthetics.

有時候你可能只想要手動設定某個固定 aesthetic，這裡的設定只為了美觀， 並不會帶出多餘資料訊息。

• 將 aesthetic 放在 aes() 裡面: map aesthetic 並自動建立 legend
• 將 aesthetic 放在 aes() 之外: 手動設定某個固定 aesthetic

ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = hwy), color = "blue")

如何查？

• ?geom_: 各 geom 有不同支援的 aesthetics

• 上網 The Economist - Graphic detail 找 2 張圖或自己手上有的圖，找出 variable 對應的 aesthetic
• 找出是否有多餘的對應（一個 variable 對多個 aesthetic）
  • ✘ 切忌畫蛇添足

一開始我們只要著重在圖表的資訊本身:

1. 增加資訊
2. 減少雜訊

1. 資訊在哪裡？
   • 跟資料本身相關的
   • 跟目的相關的
2. 雜訊在哪裡？
   • 其他一切不相關的都先當作雜訊

• qplot(): (quick plot) 需要快速畫圖時才使用，用法和 R 的內建繪圖函數 plot() 差不多
• ggplot(): 推薦的繪圖方法，搭配繪圖步驟的其他函數逐步建構圖層

ggplot(data = <DATA>) + # Data
  geom_<xxx>(
     mapping = aes(<MAPPINGS>),
     stat = <STAT>,
     position = <POSITION>
  ) + # Layers & Aesthetic mappings
  scale_<xxx>() + coord_<xxx>() + facet_<xxx>() # Position
  theme_()

• 每一欄 (column) 都是一個(繪圖)變數
• 每一列 (row) 都是一筆觀察值
• Wide Format -> Long Format (tidyr)
  • 你的資料是寬的還是長的？

資料和圖表是一體兩面，先有資料才有圖表

• mpg 共有 11 個變數 234 筆資料
• 這裡需要的繪圖變數 (aesthetic mapping)
  • x: displ
  • y: hwy

#> # A tibble: 234 × 11
#>    manufacturer      model displ  year   cyl      trans   drv   cty   hwy
#>           <chr>      <chr> <dbl> <int> <int>      <chr> <chr> <int> <int>
#> 1          audi         a4   1.8  1999     4   auto(l5)     f    18    29
#> 2          audi         a4   1.8  1999     4 manual(m5)     f    21    29
#> 3          audi         a4   2.0  2008     4 manual(m6)     f    20    31
#> 4          audi         a4   2.0  2008     4   auto(av)     f    21    30
#> 5          audi         a4   2.8  1999     6   auto(l5)     f    16    26
#> 6          audi         a4   2.8  1999     6 manual(m5)     f    18    26
#> 7          audi         a4   3.1  2008     6   auto(av)     f    18    27
#> 8          audi a4 quattro   1.8  1999     4 manual(m5)     4    18    26
#> 9          audi a4 quattro   1.8  1999     4   auto(l5)     4    16    25
#> 10         audi a4 quattro   2.0  2008     4 manual(m6)     4    20    28
#> # ... with 224 more rows, and 2 more variables: fl <chr>, class <chr>

這兩張圖差在哪裡？

• Geom 決定圖表呈現的「幾何圖形物件」，也就是你眼睛看到的資料呈現方式
• geom_<xxx>()

ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = hwy))

ggplot(data = mpg) +
  geom_smooth(mapping = aes(x = displ, y = hwy))

要呈現多個幾何圖形物件 (Geoms) 時要怎麼做到呢？

• 一個 geom_<xxx>() 就會在圖上畫一圖層 (Layer)
• 可一層層疊加上去
• 每個圖層甚至可以用不同的 data，在畫進階圖表時很常用到
• 但要注意是否有預設的 aesthetic 不小心 mapping 到該圖層

• 兩層圖層

ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = hwy)) +
  geom_smooth(mapping= aes(x = displ, y = hwy))

• 因為 Geoms 真的太多了，通常要用的時候再去查 cheatsheet
• 如同前面所述，不同 Geoms 有不同支援的 Aesthetics

• 各種車型(class)的數量？
• geom_bar()

ggplot(data = mpg) +
  geom_bar(mapping = aes(x = class))

你可能要先想到畫出這樣的表格：

• 表格就是一種視覺化的方式，有時候一張好的表格資訊就很清楚
• 畫圖只是將這些資訊再強調出來

• stat_<xxx>()
• 有些 Geom (例如 scatterplot) 畫的是 raw value (stat_identity)
• 有些 Geom (例如 barplot)會計算新的 stat (e.g., count) 以供畫圖
• 使用 geom_<xxx>() 時，要注意預設的 stat 是什麼

每個成功的 Geom 背後都有一個偉大的 Stat

回頭來看 Aesthetic Mapping

• x: class
• y: ?? count 不在原本的 mpg 資料中

到底 count 是怎麼算出來的？

1. 原本可能在 Excel 算
2. R 幫你算 dplyr::summarise()
3. ggplot2 geom_bar 幫你算

=> ?geom_bar 的預設 stat 是 "count"

• Plot bar chart with cut in dataset diamonds

用 dplyr::summarise() 算出 count 這個變數，再用 ggplot2 畫圖

hint: stat = "identity"

d <- mpg %>% 
  group_by(class) %>% 
  summarise(n = n())
d
#> # A tibble: 7 × 2
#>        class     n
#>        <chr> <int>
#> 1    2seater     5
#> 2    compact    47
#> 3    midsize    41
#> 4    minivan    11
#> 5     pickup    33
#> 6 subcompact    35
#> 7        suv    62

ggplot(data = d) +
  geom_bar(mapping = aes(x = class, y = n),
           stat = "identity")

• 畫出各種車型(class)的平均油耗 bar chart

hint:

• dplyr::group_by()
• dplyr::summarise(mean(xxx)),
  
• geom_bar(stat = "identity")

#> # A tibble: 7 × 2
#>        class mean_hwy
#>        <chr>    <dbl>
#> 1    2seater 24.80000
#> 2    compact 28.29787
#> 3    midsize 27.29268
#> 4    minivan 22.36364
#> 5     pickup 16.87879
#> 6 subcompact 28.14286
#> 7        suv 18.12903

• 要怎麼排序？
• reorder(<要排序的變數>, <參照大小>)
  ＊只能用在手動算的方式

d <- mpg %>% 
  group_by(class) %>% 
  summarise(n = n())
d
#> # A tibble: 7 × 2
#>        class     n
#>        <chr> <int>
#> 1    2seater     5
#> 2    compact    47
#> 3    midsize    41
#> 4    minivan    11
#> 5     pickup    33
#> 6 subcompact    35
#> 7        suv    62

ggplot(data = d) +
  geom_bar(mapping = aes(x = reorder(class, -n), y = n),
           stat = "identity")

• 填滿顏色 fill

(錯誤示範：不建議同一變數 mapping 多個 aes)

ggplot(data = mpg) +
  geom_bar(mapping = aes(x = class, fill = class))

• bar charts, histograms: 計算每一組 bin 裡面的數目.

ggplot(data = mpg, aes(x = class)) +
  geom_bar() +
  geom_text(stat = "count",
            aes(label = ..count.., y =..count..),
            vjust = "bottom")

• 各種車型的油耗效率
• boxplots: plot quartiles.

ggplot(data = mpg) +
  geom_boxplot(mapping = aes(x = class, y = hwy))

• 判斷圖表好壞之後，我們也要學會做好圖表
• Google: "圖表名稱 + R"
• 如果要用得順手，平常就要多看別人畫的好圖，要用時才知道從哪裡找起

• ?geom_bar
• 堆疊：position = "stack" (default)

ggplot(data = mpg) +
  geom_bar(mapping = aes(x = class, fill = manufacturer),
           position = "stack") +
  ggtitle('Position = "stack"')

position:

• "identity" 同一位置（覆蓋住後面圖層）
• "stack" 堆疊
• "dodge" 併排
• "fill" 堆疊並 scale 至 100%
• "jitter" "抖…" 點會互相閃避

畫出各車廠(manufacturer)在不同車型(class)的數量為何？

Position = "identity"

• 同一位置（覆蓋住後面圖層）

ggplot(data = mpg) +
  geom_bar(mapping = aes(x = class, fill = manufacturer),
           position = "identity", alpha = .4) +
  ggtitle('Position = "identity"')

Position = "dodge"

• 併排

ggplot(data = mpg) +
  geom_bar(mapping = aes(x = class, fill = manufacturer),
           position = "dodge") +
  ggtitle('Position = "dodge"')

Position = "fill"

• 堆疊並 scale 至 100%

ggplot(data = mpg) +
  geom_bar(mapping = aes(x = class, fill = manufacturer),
           position = "fill") +
  ggtitle('Position = "fill"')

• 看到剛才的車車油耗🚗，是不是覺得還是很難透過圖表理解資料？
• 剛才畫的圖因為多了第3個變數，所以更難理解了

• Facets 是很重要的一個呈現方式，一定要學起來
• 為什麼要用 Facets？
  1. 當同一個座標平面塞入太多變數，會造成大腦無法負荷
  2. 分拆資訊，讓大腦協助腦補更有效率

"Illustrations of postage-stamp size are indexed by category or a label, sequenced over time like the frames of a movie, or ordered by a quantitative variable not used in the single image itself." – Edward Tufte

畫出各車廠(manufacturer)在不同車型(class)的數量為何？

• 你的（視覺化）表格要怎麼畫別人才會清楚
• 在把表格放到圖表上面

三個變數應該怎麼放：

• manufacturer
• class
• count

但卻是我們在 ggplot2 需要拿來畫圖的表格

#> Source: local data frame [32 x 3]
#> Groups: manufacturer [?]
#> 
#>    manufacturer      class     n
#>           <chr>      <chr> <int>
#> 1          audi    compact    15
#> 2          audi    midsize     3
#> 3     chevrolet    2seater     5
#> 4     chevrolet    midsize     5
#> 5     chevrolet        suv     9
#> 6         dodge    minivan    11
#> 7         dodge     pickup    19
#> 8         dodge        suv     7
#> 9          ford     pickup     7
#> 10         ford subcompact     9
#> 11         ford        suv     9
#> 12        honda subcompact     9
#> 13      hyundai    midsize     7
#> 14      hyundai subcompact     7
#> 15         jeep        suv     8
#> 16   land rover        suv     4
#> 17      lincoln        suv     3
#> 18      mercury        suv     4
#> 19       nissan    compact     2
#> 20       nissan    midsize     7
#> 21       nissan        suv     4
#> 22      pontiac    midsize     5
#> 23       subaru    compact     4
#> 24       subaru subcompact     4
#> 25       subaru        suv     6
#> 26       toyota    compact    12
#> 27       toyota    midsize     7
#> 28       toyota     pickup     7
#> 29       toyota        suv     8
#> 30   volkswagen    compact    14
#> 31   volkswagen    midsize     7
#> 32   volkswagen subcompact     6

• Pivot 樞紐分析表

• facet_wrap()

畫出各車廠(manufacturer)在不同車型(class)的數量 bar chart

• x: class
• y: count
• fill 刪掉多餘的 mapping
• facet: manufacturer

ggplot(data = mpg) +
  geom_bar(mapping = aes(x = class)) +
  facet_wrap( ~ manufacturer, ncol = 2)

• 原則：一個座標平面(方格)最好不要超過三個變數
• Don't overplotting
• 拆出類別變數 (nominal) 放在個別的小方格 (facets)

當變數很多時 Faceting 就是你最好的朋友！

畫出各車廠(manufacturer)在不同車型(class)的
平均油耗效率(hwy) bar chart

hint:

• dplyr::group_by(xxx, xxx)
• dplyr::summarise(mean_hwy = mean(xxx))
  
• geom_bar(stat = "identity")
• facet_wrap()

#> Source: local data frame [32 x 3]
#> Groups: class [?]
#> 
#>      class manufacturer mean_hwy
#>      <chr>        <chr>    <dbl>
#> 1  2seater    chevrolet 24.80000
#> 2  compact         audi 26.93333
#> 3  compact       nissan 28.00000
#> 4  compact       subaru 26.00000
#> 5  compact       toyota 30.58333
#> 6  compact   volkswagen 28.50000
#> 7  midsize         audi 24.00000
#> 8  midsize    chevrolet 27.60000
#> 9  midsize      hyundai 27.71429
#> 10 midsize       nissan 27.42857
#> # ... with 22 more rows

圖表一定要有標題，別人才知道你要講的故事是什麼

• ggtitle(), xlab(), ylab()
• 組合技 – labs(): 各種標註(axis labels, legend titles, plot title/subtitle and below-plot caption)

標題

ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) +
  geom_point(mapping = aes(color = class)) +
  geom_smooth() + 
  ggtitle("Fuel efficiency vs. Engine size")

標題 + 副標題

ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) +
  geom_point(mapping = aes(color = class)) +
  geom_smooth() + 
  labs(title = "Fuel efficiency vs. Engine size",
       subtitle = "Dataset: mpg")

標題 + 座標軸

ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) +
  geom_point(mapping = aes(color = class)) +
  geom_smooth() + 
  ggtitle("Fuel efficiency vs. Engine size") +
  xlab("Engine displacement (L)") +
  ylab("Highway fuel efficiency (mpg)") 

ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) +
  geom_point(mapping = aes(color = class)) +
  geom_smooth() +
  theme_bw()

1. Data (noun/subject)
2. Aesthetic mappings (adjectives): x, y, color, size, …
3. Layers: Geom (verb), Stat (adverb)
4. Position (preposition): Scales, Coord, Facet
5. Theme

(非常重要！) (非常重要！) (非常重要！)

從結果（產出）倒回來想

• Issue: 這張圖表想解決的問題是什麼？
• Geoms: 要畫什麼圖？
  • bar chart, line chart, heat map, …
• Variables: 需要那些變數？我的資料有這些變數嗎？
  • variables needed from the data
• Aesthetic Mapping
  • x:
  • y:
  • …

• 找出一張平常會畫的圖表，以及其資料，填入上面格式
• 試著用 ggplot2 畫出來～
  • 資料匯入
  • 資料前處理
  • 畫圖
  • 匯出成 png

Mac

ggplot2:

# 在最後加上
theme(text = element_text(family = "STHeiti"))

# 若有用到 geom_text 則要在裡面加 family = "STHeiti"
geom_text(family = "STHeiti")

輸出:

ggsave(device = "png", type = "cairo")`

Linux

基本上沒問題

Windows

基本上沒問題

p <- ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) +
  geom_point(mapping = aes(color = class)) +
  geom_smooth() +
  theme_bw()

ggsave(p,
       filename = "my_plot.png",
       device = "png", h = 2, w = 3, type = "cairo")
# system(paste("open my_plot.png"))

scale_<aes>_<變數屬性>()

• 有時候自動產生的座標刻度看起來很糟（區間不對、單位不對）
• 這時需要手動調整座標
  1. 刻度 tick-breaks
  2. 標籤文字 labels
  3. 最大最小值 limits

scale_*_continuouts()

• breaks: 刻度向量。(minor_breaks 副格線)
• labels:
  • A character vector giving labels (must be same length as breaks)
  • A function that takes the breaks as input and returns labels as output
    scales 套件 (千分位comma(), 錢號dollar(), 單位unit_format, …)
• limits: c(最小值, 最大值). (Use NA to refer to the existing minimum or maximum.)

library(ggplot2movies) # IMDB data
d <- movies %>% filter(votes > 1000) # 篩選投票數 1,000 以上的電影
m <- ggplot(d, aes(rating, votes)) +
  geom_point(na.rm = TRUE)
m
# Manipulating the default position scales lets you:

#  * change the axis labels
m + scale_y_continuous("number of votes")
#  * 千分逗號
m + scale_y_continuous(labels = scales::comma)
#  * modify the tick-breaks
m + scale_x_continuous(breaks = c(0:10))
#  * manually label the ticks
m + scale_x_continuous(breaks = c(2,5,8), 
                       labels = c("2 (horrible)", "5 (ok)", "8 (awesome)"))
#  * modify the axis limits
m + scale_y_continuous(limits = c(0, 5000)) +
    scale_x_continuous(limits = c(7, 8))

scale_x_date(date_breaks = <date breaks>, date_labels = "'%y-%m")

• date_breaks: "2 weeks", "10 years" 等時間間隔
• date_labels: 時間格式?strptime 可查詢 date_labels的時間格式怎麼寫

# 美國總統資料
presidential
#> # A tibble: 11 × 4
#>          name      start        end      party
#>         <chr>     <date>     <date>      <chr>
#> 1  Eisenhower 1953-01-20 1961-01-20 Republican
#> 2     Kennedy 1961-01-20 1963-11-22 Democratic
#> 3     Johnson 1963-11-22 1969-01-20 Democratic
#> 4       Nixon 1969-01-20 1974-08-09 Republican
#> 5        Ford 1974-08-09 1977-01-20 Republican
#> 6      Carter 1977-01-20 1981-01-20 Democratic
#> 7      Reagan 1981-01-20 1989-01-20 Republican
#> 8        Bush 1989-01-20 1993-01-20 Republican
#> 9     Clinton 1993-01-20 2001-01-20 Democratic
#> 10       Bush 2001-01-20 2009-01-20 Republican
#> 11      Obama 2009-01-20 2017-01-20 Democratic

presidential %>%
  mutate(id = 33 + row_number()) %>% # id: 屆數
  ggplot(aes(start, id)) +
    geom_point() +
    geom_segment(aes(xend = end, yend = id)) +
    scale_x_date(NULL, breaks = presidential$start, date_labels = "'%y") +
  geom_text(aes(label = name), hjust = 0,  vjust = 0, nudge_y = 0.2)

scale_*_discrete()

p <- ggplot(diamonds, aes(cut)) + geom_bar()
p + scale_x_discrete("Cut", 
                     labels = c("Fair" = "F",
                                "Good" = "G",
                                "Very Good" = "VG",
                                "Perfect" = "P",
                                "Ideal" = "I"))

# Use limits to adjust the which levels (and in what order)
# are displayed
p + scale_x_discrete(limits=c("Fair","Ideal"))
#> Warning: Removed 30779 rows containing non-finite values (stat_count).

# p + xlim("Fair","Ideal", "Good")  # 也可以直接用座標來調
# p + ylim("I1", "IF")

顏色是很強大的工具

• 低精準性（較難透過顏色判斷數值）
• 但是很能吸引注意力！

Elements within an assortment of objects are perceptually grouped together if they are similar to each other. – Gestalt's law of similarity

離散型資料 vs 連續型資料

RColorBrewer是非http://colorbrewer2.org/常專業的(地圖資料)色票工具

Example: RColorBrewler 演練

library(RColorBrewer)
display.brewer.all()

presidential %>%
  mutate(id = 33 + row_number()) %>%
  ggplot(aes(start, id, colour = party)) +
  geom_point() +
  geom_segment(aes(xend = end, yend = id)) +
  scale_colour_manual(values = c(Republican = "Red", Democratic = "Blue")) +
  scale_x_date(NULL, breaks = presidential$start, date_labels = "'%y") +
  geom_text(aes(label = name), hjust = 0,  vjust = 0, nudge_y = 0.2)

Exercise: 在剛才畫的 dot plot 標註各"車型"油耗效率最佳的車

mpg %>%
  group_by(class) %>%
  mutate(rank = row_number(desc(hwy))) %>% 
  arrange(class, rank, hwy) %>% 
  View

## 各"車型"油耗效率最佳的車
best_in_class <- mpg %>%
  group_by(class) %>%
  filter(row_number(desc(hwy)) == 1)

ggplot(mpg, aes(x = displ, y = hwy)) +
  geom_point(aes(colour = class)) +
  geom_text(aes(label = model), data = best_in_class)

• ggrepel - 自動計算標註文字的位置

Sometimes labeling on dots is not an easy work when plottng, especially when you have lots of dots in you plotting area.

• use geom_text_repel() instead of geom_text()

只需要一行神奇的指令！

library(plotly)
p <- ggplot() + ...
ggplotly(p)

Excercise: 請把下面的圖變成動態圖表

p <- ggplot(mpg) +
  geom_point(aes(x = displ, y = hwy, color = class))

終極應用：一條龍用 R 做報告

• Markdown 語法

所有換段都必須空一行！！！
所有換段都必須空一行！！！
所有換段都必須空一行！！！

不想換段但想強制換行在後面用兩個空白__

# 大標
## 中標
### 小標

- Bullet Point
- Bullet Point

1. 有序
2. 有序

[連結](url)
![圖片說明](img)

一起動手來做一份報告

Example: 資料新聞–台灣實質薪資真的倒退 20 年嗎？

• Example: 樂透資料

• 找圖觀察 Aesthetics
• 先手動處理 stats 再畫圖
• Faceting 多變數
• 畫自己的圖

課後問卷